一种病灶区域分割装置制造方法及图纸

本发明专利技术涉及一种病灶区域分割装置，包括：图像获取模块：用于获取带有病灶区域的超声图像；分割模块：用于通过神经网络对所述超声图像的病灶区域进行分割，得到分割结果；其中，所述神经网络在训练时，对训练集中具有标注差异的病灶区域标注数据进行两两比对，得到病灶区域边界的差异区域；利用所述差异区域，随机产生新的病灶区域标注数据，并使得所述新的病灶区域标注数据中位于所述差异区域的范围内。本发明专利技术能够对超声图像的病灶区域进行有效分割。发明专利技术能够对超声图像的病灶区域进行有效分割。发明专利技术能够对超声图像的病灶区域进行有效分割。

A focus area segmentation device

【技术实现步骤摘要】
一种病灶区域分割装置


[0001]本专利技术涉及辅助医学诊断
，特别是涉及一种病灶区域分割装置。

技术介绍

[0002]基于超声影像的病灶区域(肿块)分割能够提供病灶区域的准确信息，为病灶区域的特征分析提供了决定性的基础条件，已成为当前医疗领域中的一个重要的研究方向，随着人工智能技术的不断发展，基于神经网络的病灶区域(肿块)分割技术不断革新，为了更加符合临床医生的临床诊断过程，需要解决数据标注主观性过强、分割结果需要更加精细化等问题。

技术实现思路

[0003]本专利技术所要解决的技术问题是提供一种病灶区域分割装置，能够对超声图像的病灶区域进行有效分割。
[0004]本专利技术解决其技术问题所采用的技术方案是：提供一种病灶区域分割装置，包括：
[0005]图像获取模块：用于获取带有病灶区域的超声图像；
[0006]分割模块：用于通过神经网络对所述超声图像的病灶区域进行分割，得到分割结果；
[0007]其中，所述神经网络在训练时，对训练集中具有标注差异的病灶区域标注数据进行两两比对，得到病灶区域边界的差异区域；利用所述差异区域，随机产生新的病灶区域标注数据，并使得所述新的病灶区域标注数据中位于所述差异区域的范围内。
[0008]所述神经网络包括依次连接的骨干网络、空洞卷积层池化层和全卷积层，所述骨干网络和全卷积层连接，所述骨干网络用于提取超声图像的浅层特征和深层特征，所述空洞卷积层池化层用于根据深层特征生成空洞卷积池化特征，所述全卷积层用于根据浅层特征和空洞卷积池化特征得到病灶区域的分割结果。
[0009]所述骨干网络包括依次连接的第一CBR单元、若干第一组IN_Block单元、若干第二组IN_Block单元和第二CBR单元，其中，所述第一组IN_Block单元和第二组IN_Block单元均包括第三CBR单元、第四CBR单元、卷积层Conv和批标准化层BN；所述第一CBR单元、第二CBR单元、第三CBR单元和第四CBR单元均包括卷积层Conv、批标准化层BN和激活函数层ReLU。
[0010]所述空洞卷积层池化层包括三个比率不同的A_CBR单元和Pooling单元，并且三个比率不同的A_CBR单元和Pooling单元通过concatenate连接后与卷积层Conv相连，其中，三个比率不同的A_CBR单元均包括空洞卷积层A_Conv、批标准化层BN和激活函数层ReLU；
[0011]所述空洞卷积层池化层根据第二CBR单元输出的深层特征生成空洞卷积池化特征，所述第一组IN_Block单元输出的浅层特征经过卷积层Conv后和空洞卷积池化特征通过concatenate连接并输入全卷积层。
[0012]所述全卷积层包括依次连接的卷积层Conv和上采样层。
[0013]有益效果
[0014]由于采用了上述的技术方案，本专利技术与现有技术相比，具有以下的优点和积极效果：本专利技术能够对超声图像的病灶区域进行有效分割；本专利技术中的神经网络结构简单且检测效率高；本专利技术实用性较强，能够有效协助临床医生进行临床诊断，有效节约临床医生对病灶区域分析的时间。
附图说明
[0015]图1是本专利技术实施方式的神经网络结构示意图；
[0016]图2是本专利技术实施方式的同一观察者产生的差异区域范围示意图；
[0017]图3是本专利技术实施方式的病灶区域分割结果示意图；
[0018]图4是本专利技术实施方式的结合自动检测算法得到的病灶区域分割示意图；
[0019]图5是本专利技术实施方式的分割结果手动调整示意图。
具体实施方式
[0020]下面结合具体实施例，进一步阐述本专利技术。应理解，这些实施例仅用于说明本专利技术而不用于限制本专利技术的范围。此外应理解，在阅读了本专利技术讲授的内容之后，本领域技术人员可以对本专利技术作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。
[0021]本专利技术的实施方式涉及一种病灶区域分割装置，包括：
[0022]图像获取模块：用于获取带有病灶区域的超声图像；
[0023]分割模块：用于通过神经网络对所述超声图像的病灶区域进行分割，得到分割结果。
[0024]本实施方式是基于神经网络语义进行分割的，充分考虑医生标注数据时存在的主观性(由观察者内和观察者间的变异性产生)，将医生标注的主观性差异转换为提高准确率的有效途径，按照如下流程进行分析研究：
[0025]1.数据标注
[0026]由于超声影像具有低分辨率，低饱和度的图像特征，使得医生在标注语义分割数据集时，存在不同医生的标注结果不同(观察者间差异)，且这种情况普遍存在。为了有效利用这种情况带来的影响，本实施方式将同一影像不同标注结果的所有数据都保留，将不同医生的标注结果作为不同的分类类型进行标注。因此，原有的二分类任务(是病灶区域或不是病灶区域)变为了多分类任务(不是病灶区域、A医生认为病灶区域、B医生认为病灶区域以及AB医生同时认为是病灶区域等)。基于多分类任务所产生的分割结果，本实施方式将根据各个分类的置信度作进一步判断是否为病灶区域。
[0027]2.数据增强
[0028]对于相同医生在不同时间标注结果不同(观察者内差异)这一情况，本实施方式通过数据增强的方式进行有效利用。通常情况，同一医生在间隔一段时间后(通常为1个月以上)，如果重新标注原有数据时，会产生新的标注差异，但是这种差异较小，主观性不强，更多是由于打点位置不精准产生的。为了克服这种差异，在神经网络训练时，本实施方式将具有这种差异的病灶区域标注数据进行两两比对，得到病灶区域边界的差异区域，利用这些差异区域，随机产生一些新的病灶区域标注数据，确保这些新的病灶区域差异数据(新的边
界)在差异区域的范围内，如图2所示，新点在差异区域中(即实线区域和虚线区域未重叠部分)随机产生，得到具有一定随机性的边界范围。
[0029]3.基于神经网络的分割模块
[0030]请参阅图1，神经网络包括依次连接的骨干网络、空洞卷积层池化层和全卷积层，所述骨干网络和全卷积层连接，所述骨干网络用于提取超声图像的浅层特征和深层特征，所述空洞卷积层池化层用于根据深层特征生成空洞卷积池化特征，所述全卷积层用于根据浅层特征和空洞卷积池化特征得到病灶区域的分割结果。
[0031]进一步地，所述骨干网络包括依次连接的第一CBR单元、3个第一组IN_Block单元、14个第二组IN_Block单元、第二CBR单元，其中，所述第一组IN_Block单元和第二组IN_Block单元均包括第三CBR单元、第四CBR单元、卷积层Conv和批标准化层BN；所述第一CBR单元、第二CBR单元、第三CBR单元和第四CBR单元均包括卷积层Conv、批标准化层BN和激活函数层ReLU。
[0032]进一步地，所述空洞卷积层池化层包括三个卷积核心距离不同的A_CBR单元和Pooling单元，并且三个卷积核心距离不同的A_CBR单元和Pooling单元通过con本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种病灶区域分割装置，其特征在于，包括：图像获取模块：用于获取带有病灶区域的超声图像；分割模块：用于通过神经网络对所述超声图像的病灶区域进行分割，得到分割结果；其中，所述神经网络在训练时，对训练集中具有标注差异的病灶区域标注数据进行两两比对，得到病灶区域边界的差异区域；利用所述差异区域，随机产生新的病灶区域标注数据，并使得所述新的病灶区域标注数据中位于所述差异区域的范围内。2.根据权利要求1所述的病灶区域分割装置，其特征在于，所述神经网络包括依次连接的骨干网络、空洞卷积层池化层和全卷积层，所述骨干网络和全卷积层连接，所述骨干网络用于提取超声图像的浅层特征和深层特征，所述空洞卷积层池化层用于根据深层特征生成空洞卷积池化特征，所述全卷积层用于根据浅层特征和空洞卷积池化特征得到病灶区域的分割结果。3.根据权利要求2所述的病灶区域分割装置，其特征在于，所述骨干网络包括依次连接的第一CBR单元、若干第一组IN_Block单元、若干第二组IN_Block单元和第二CBR单元，其中，所述第一组IN_Blo...

【专利技术属性】
技术研发人员：张淦钧，
申请(专利权)人：什维新智医疗科技上海有限公司，
类型：发明
国别省市：